Qdrant 向量存储节点#

使用 Qdrant 节点将你的 Qdrant 集合作为向量存储（vector store）进行交互。你可以将文档插入向量数据库、从向量数据库中获取文档、检索文档以提供给连接到链（chain）的检索器，或直接将其连接到智能代理（agent），作为工具（tool）使用。

本页面包含 Qdrant 节点的参数说明以及相关资源链接。

凭据

你可以在此处找到该节点的认证信息。

子节点中的参数解析#

当使用表达式处理多个数据项时，子节点的行为与其他节点有所不同。

大多数节点（包括根节点）可以接收任意数量的数据项作为输入，逐个处理这些数据项并输出结果。你可以使用表达式引用输入项，节点会依次为每个输入项解析表达式。例如，如果有五个 name 值作为输入，表达式 {{ $json.name }} 会依次解析为每一个名字。

而在子节点中，表达式始终解析为第一个输入项。例如，在五个 name 值的输入下，表达式 {{ $json.name }} 始终指向第一个名字。

节点使用模式#

Qdrant 向量存储节点支持以下几种使用模式。

作为普通节点插入和检索文档#

你可以将 Qdrant 向量存储节点作为普通节点来插入或获取文档。这种模式不涉及智能代理，而是将 Qdrant 节点置于常规的数据流连接中。

你可以在此模板的第一部分看到一个示例。

直接作为工具连接到 AI 智能代理#

你可以将 Qdrant 向量存储节点直接连接到 AI 智能代理（AI agent）的工具连接器上，使向量存储成为回答查询时可使用的资源。

此时的连接方式为：AI 智能代理（工具连接器） → Qdrant 向量存储节点。

使用检索器获取文档#

你可以将向量存储检索器（Vector Store Retriever）节点与 Qdrant 向量存储节点结合使用，从 Qdrant 中提取文档。通常还会配合问答链（Question and Answer Chain）节点，用于从向量存储中查找与聊天输入相匹配的文档。

示例连接流程如下：问答链（Retriever 连接器） → 向量存储检索器（Vector Store 连接器） → Qdrant 向量存储。

使用向量存储问答工具回答问题#

另一种模式是使用向量存储问答工具（Vector Store Question Answer Tool）对 Qdrant 向量存储中的结果进行总结并回答问题。这种方式不是直接将 Qdrant 向量存储作为工具，而是通过一个专门设计用于汇总向量存储数据的工具节点来实现。

此场景下的连接流程为： AI 智能代理（工具连接器） → 向量存储问答工具（Vector Store 连接器） → Qdrant 向量存储。

节点参数#

操作模式（Operation Mode）#

该向量存储节点有四种模式：Get Many、Insert Documents、Retrieve Documents (As Vector Store for Chain/Tool) 和 Retrieve Documents (As Tool for AI Agent)。所选模式决定了节点可执行的操作以及可用的输入和输出。

Get Many#

在此模式下，你可以通过提供提示词（prompt）从向量数据库中检索多个文档。系统会将提示词嵌入并向量化，用于相似性搜索。节点返回与提示最相似的文档及其相似度得分。当你希望获取一组相似文档并将其作为额外上下文传递给智能代理时，此模式非常有用。

Insert Documents#

使用“插入文档”模式将新文档插入你的向量数据库。

Retrieve Documents (as Vector Store for Chain/Tool)#

使用“检索文档（作为链/工具的向量存储）”模式，配合向量存储检索器（retriever），从向量数据库中获取文档，并提供给连接至链（chain）的检索器。在此模式下，必须将该节点连接到一个检索器节点或根节点。

Retrieve Documents (as Tool for AI Agent)#

使用“检索文档（作为 AI 智能代理的工具）”模式，在回答查询时将向量存储作为工具资源。当智能代理生成回复时，若问题内容与向量存储的名称和描述匹配，则会调用该向量存储。

重排序结果（Rerank Results）#

启用重排序（reranking）功能。启用后，必须连接一个重排序节点到该向量存储节点，由该节点对查询结果进行重新排序。此选项可用于 Get Many、Retrieve Documents (As Vector Store for Chain/Tool) 和 Retrieve Documents (As Tool for AI Agent) 三种模式。

Get Many 参数#

Qdrant 集合名称（Qdrant collection name）：输入要使用的 Qdrant 集合名称。
提示词（Prompt）：输入搜索查询内容。
限制数量（Limit）：设置从向量存储中检索的结果数量。例如，设为 10 表示返回最相关的 10 条结果。

该操作模式包含一个 节点选项，即元数据过滤器。

插入文档参数#

Qdrant 集合名称：输入要使用的 Qdrant 集合的名称。

该操作模式包含一个 节点选项：

集合配置（Collection Config）：输入用于创建 Qdrant 集合的 JSON 配置选项。更多信息请参考 Qdrant 的集合（Collections）文档。

检索文档（作为链/工具的向量存储）参数#

Qdrant 集合：输入要使用的 Qdrant 集合的名称。

该操作模式包含一个 节点选项，即元数据过滤器。

检索文档（作为 AI Agent 的工具）参数#

名称（Name）：向量存储的名称。
描述（Description）：向大语言模型（LLM）说明此工具的功能。清晰且具体的描述有助于 LLM 更频繁地生成符合预期的结果。
Qdrant 集合：输入要使用的 Qdrant 集合的名称。
限制（Limit）：设置从向量存储中检索的结果数量。例如，设置为 10 可获取最相关的 10 条结果。

节点选项#

元数据过滤器#

在 获取多个（Get Many） 模式下可用。在搜索数据时，使用此功能匹配与文档关联的元数据。这是一个 AND 查询：如果指定了多个元数据过滤字段，则所有条件都必须匹配。在插入数据时，元数据由文档加载器（document loader）设置。有关文档加载的更多信息，请参考默认文档加载器（Default Data Loader）。

模板与示例#

🤖 面向您文档的 AI 驱动 RAG 聊天机器人 + Google Drive + Gemini + Qdrant 作者：Joseph LePage 查看模板详情

用于客户服务和餐厅的 ElevenLabs 与 OpenAI 语音聊天机器人 作者：Davide 查看模板详情

使用 OpenAI 构建完整的商业级 WhatsApp AI 驱动 RAG 聊天机器人 作者：Davide 查看模板详情

浏览 Qdrant 向量存储集成模板，或搜索所有模板

自托管 AI 入门套件（Self-hosted AI Starter Kit）#

刚开始接触 AI 并使用自托管的 n8n？尝试 n8n 提供的自托管 AI 入门套件（self-hosted AI Starter Kit），使用 Ollama、Qdrant 和 PostgreSQL 快速搭建概念验证（proof-of-concept）或演示环境。